Prévisions de la consommation mondiale d’eau en agriculture et consommation totale mondiale à l’aide du modèle Bi-GRU

Pourquoi la consommation future d’eau concerne tout le monde

L’eau potable soutient notre alimentation, nos villes et notre industrie, pourtant de nombreuses régions font déjà face à des pénuries. Cette étude pose une question simple mais urgente : de quelle quantité d’eau le monde aura-t-il besoin dans les décennies à venir, en particulier pour l’agriculture, qui consomme la majeure partie de nos ressources en eau douce ? En combinant des relevés mondiaux de consommation d’eau avec un outil moderne d’intelligence artificielle, les auteurs estiment la demande future jusqu’en 2040 et évaluent la performance de différentes méthodes de prévision. Leurs résultats peuvent aider les gouvernements et les planificateurs à se préparer à un monde plus sec et plus peuplé.

Pression croissante sur les rivières et les aquifères

L’article commence par poser le contexte : l’eau couvre la majeure partie de la surface de la Terre, mais la fraction qui est douce et immédiatement utilisable est limitée. La demande mondiale a augmenté d’environ six fois au cours du dernier siècle, avec approximativement 70 % des prélèvements destinés à l’agriculture, 20 % à l’industrie et le reste aux ménages. Une grande partie de la croissance démographique attendue aura lieu en Afrique et en Asie, des régions déjà vulnérables au stress hydrique et au changement climatique. Des pays comme l’Inde, la Chine, l’Indonésie, l’Arabie saoudite et la Turquie voient leur consommation d’eau croître rapidement à mesure que les villes s’étendent, que l’économie se développe et que davantage de terres sont irriguées. En revanche, des pays comme l’Allemagne, le Japon et le Royaume-Uni affichent une consommation stable ou légèrement en baisse grâce aux mesures de conservation et d’efficacité.

Transformer les relevés mondiaux d’eau en un jeu de données exploitable

Pour passer de l’inquiétude à la prévision, les auteurs assemblent un jeu de données de consommation d’eau mondiale couvrant les années 2000 à 2024 pour vingt grandes économies réparties sur différents climats et niveaux de revenu. Pour chaque pays et chaque année, le jeu de données comprend la consommation totale d’eau, l’eau consacrée à l’agriculture, la consommation domestique et industrielle par habitant, les effets des précipitations et le taux d’épuisement des eaux souterraines. L’équipe nettoie soigneusement les données, vérifie les valeurs manquantes ou anormales et re-échelonne tous les chiffres sur une plage commune afin qu’aucun pays ou paramètre ne domine le processus d’apprentissage. Ils découpent ensuite la série temporelle de chaque pays en segments d’entraînement, de validation et de test, en veillant à ce que les années ultérieures restent invisibles pendant l’entraînement afin que les prévisions puissent être évaluées équitablement.

Comment un modèle de séquence intelligent lit le passé

Le cœur de l’étude est un modèle d’apprentissage profond appelé unité récurrente à portes bidirectionnelle, ou Bi-GRU. Contrairement aux simples droites de tendance, ce modèle est conçu pour lire des séquences. Il traite l’historique de la consommation d’eau et des facteurs associés dans les deux sens, avant et arrière, ce qui lui permet de repérer des motifs dépendant de longues périodes de bonnes ou mauvaises précipitations, d’évolutions graduelles des politiques ou de changements lents de la population et de l’industrie. Les couches du réseau compressent ces motifs en une représentation interne, puis produisent deux quantités principales pour chaque pays : la consommation totale d’eau et la consommation d’eau agricole. Les auteurs comparent le Bi-GRU à plusieurs alternatives avancées, y compris des réseaux à mémoire à long terme (LSTM), un modèle de transformeur temporel, un modèle basé sur un graphe reliant les pays et une méthode de prévision probabiliste.

Quelle est la robustesse des prévisions

Testé sur des données inédites de 2021 à 2024, le Bi-GRU fournit de façon constante les prédictions les plus précises au global. Mesuré par des scores d’erreur courants, il surpasse tous les modèles rivaux pour la plupart des pays, en particulier ceux présentant des tendances à long terme relativement stables comme l’Inde, l’Allemagne et le Royaume-Uni. Les auteurs effectuent également des tests statistiques pour montrer que les améliorations ne sont pas dues au hasard. En utilisant le modèle le plus performant, ils projettent la consommation totale et agricole d’eau de 2025 à 2040. Certains pays, dont l’Inde, la Turquie et plusieurs économies en forte croissance, devraient connaître une augmentation continue de la demande, notamment pour l’irrigation. D’autres pourraient se stabiliser ou même réduire leur consommation si les tendances actuelles d’efficacité se maintiennent.

Ce que les résultats impliquent pour la sécurité alimentaire et hydrique

Pour un lecteur non spécialiste, le message clé est que de meilleures prévisions à long terme peuvent transformer des inquiétudes vagues sur les « pénuries d’eau futures » en chiffres concrets sur lesquels les planificateurs peuvent agir. L’étude montre que les méthodes modernes d’intelligence artificielle basées sur les séquences peuvent suivre la manière dont le climat, la population et le développement interagissent pour façonner la consommation nationale d’eau, et ce, avec plus de précision que les approches antérieures. Ces prévisions ne garantissent pas ce qui se produira, mais elles mettent en évidence les lieux où la demande agricole et totale est la plus susceptible de mettre en tension les ressources, orientant les investissements dans la technologie d’irrigation, le stockage, le recyclage et les réformes politiques. En bref, des prévisions plus intelligentes constituent un outil pratique pour maintenir l’approvisionnement en eau et la productivité des cultures dans un monde qui se réchauffe et se densifie.

Citation: Irfan, M., Rashid, J., Bibi, J. et al. Forecasting of global water usage in agriculture and total global consumption by using the Bi-GRU model. Sci Rep 16, 15071 (2026). https://doi.org/10.1038/s41598-026-44885-8

Mots-clés: consommation mondiale d’eau, eau agricole, prévision par apprentissage profond, modèle Bi-GRU, prévision de la demande en eau